脑瘤是人类常见的重大疾病之一,其高发率和致死率不得不引起人们的重视,而对脑部病灶区域的分割对医生的精确诊断和精准治疗都至关重要。然而,由于脑部组织结构复杂以及医学成像设备的干扰,常常会出现噪声、边缘不明显等问题,因此,如何准确地对病灶区域进行分割依旧是一个难点和挑战,如何提高分割的精度已成为热门的话题。目前,国内外已有很多种方法应用于医学图像的分割,主要有基于阈值的分割算法、基于深度学习分割方法以及基于聚类的分割方法等。聚类算法因其具有无监督性和高效性,并且容易实现,因此受到很多学者的欢迎,而聚类算法中的模糊C均值(FCM)算法是最常见的一种方法。该算法引入了模糊性,是一种模糊的柔性划分,且实现简单,然而,传统的FCM算法对于噪声、孤立点以及聚类参数较敏感,存在不稳定性,容易导致分割的结果不准确。本文主要针对医学图像分割算法对于噪声和孤立点敏感,以及聚类不稳定等问题对脑部肿瘤图像分割算法进行了深入的研究,进而达到对病灶区域准确分割的效果,具体研究内容如下:(1)针对传统的FCM算法的不稳定性以及易受噪声干扰等因素,导致分割不准确的问题,本文提出了一种基于高斯核的混合聚类分割算法。首先,采用自适应维纳滤波进行预处理,目的在于去除噪声。其次,利用K-means++算法初始化聚类中心,以提高聚类的稳定性。接着,在传统FCM算法中引入高斯核函数,目的是降低聚类过程对参数的敏感度,进一步提高算法的稳定性。最后,基于阈值大小提取出脑部病灶区域。在具有不同强度的噪声的脑部MRI图像上进行实验,结果表明,与K-means、FCM、sFCM和csFCM等几种算法相比,所提出的算法的分割结果更稳定且精确度更高。(2)为了进一步提升聚类算法对噪声的鲁棒性,本文分别在预处理和聚类过程中引入了快速引导滤波器。首先,将自适应维纳滤波器和快速引导滤波器相结合,在引导图像的作用下,不仅能够有效地去除噪声,还能很好地保留原始图像的细节信息。其次,采用简单线性迭代聚类(SLIC)超像素预分割,避免孤立点的存在,有效地解决了聚类算法对孤立点敏感的问题。接着,在所提出的基于高斯核混合聚类分割算法中引入快速引导滤波器,作为每次迭代的后处理,进一步提高对噪声的鲁棒性。最后,基于阈值提取出肿瘤区域通过对含有不同强度高斯噪声的图像上进行实验,结果表明,与近几年的改进算法相比,该算法可以更有效避免噪声和孤立点对脑部病灶区域分割准确度的影响。